[发明专利]通过AI的方式对软件变更后的健康状态进行评估的方法

权利要求书

1.一种通过AI的方式对软件变更后的健康状态进行评估的方法，其特征在于，包括以下步骤：

获取待检测的KPI时间序列，并对获取到的KPI时间序列进行中位差检验；

若检测到某个数据点高于中位差检验的阈值，则对所述KPI时间序列的曲线进行无监督异常检测，得到每个点对应的异常分数；

将异常分数作为极值理论的输入来确定阈值，根据阈值与曲线上的每个点的异常分数的比较来判断曲线是否有异常点；

若曲线有异常点，使用空间回归算法对曲线进行评估，判断异常的种类。

2.如权利要求1所述的方法，其特征在于，所述对获取到的KPI时间序列进行中位差检验，包括：

计算所述KPI时间序列的曲线上每个点的中位差系数，其中，每个点的中位差系数通过将该点前面一段序列的中位数和后面一段序列的中位数进行做差、求绝对值得到；

设定阈值与曲线上每个点的中位差系数进行比较。

3.如权利要求1所述的方法，其特征在于，所述对所述KPI时间序列的曲线进行无监督异常检测，包括：

对所述KPI时间序列进行数据预处理，生成时间窗口数据；

通过MCMC方法，基于所述时间窗口数据内其他的非缺失点数据的分布生成重构的数据，并使用重构的数据替换对应缺失数据；

将填补后的时间窗口数据输入训练好的条件变分自编码器，输出每个点对应的异常分数，

其中，所述数据预处理，包括：

对KPI时间序列的数据缺失点用0填充，并将时间序列数据的间隔变得相同；

对填充处理后的时间序列进行标准化。

4.如权利要求3所述的方法，其特征在于，所述每个点对应的异常分数表示为：

其中，x表示输入的时间窗口的数据，y表示输入的时间窗口的时间信息，z表示低维潜在空间的先验分布，表示从条件分布q_Φ(z|x,y)中采样z的条件下求期望，log p_θ(x|z,y)表示条件分布P(x|z,y)的概率密度求对数，表示输入x在解码器输出的重构分布中的对数概率密度。

5.如权利要求4所述的方法，其特征在于，训练所述条件变分自编码器模型，包括：

获取正常的KPI时间序列，对所述正常的KPI时间序列进行所述数据预处理，生成时间窗口数据构成训练数据集；

使用所述训练数据集，基于M-ELBO损失函数和SGVB优化算法不断训练模型，直到模型收敛，完成训练。

6.如权利要求5所述的方法，其特征在于，所述M-ELBO损失函数表示为：

其中，x表示输入的时间窗口的数据，x_i表示表示输入的时间窗口的一个点，y表示输入的时间窗口的时间信息，z表示低维潜在空间的先验分布，表示从条件分布中采样z的条件下求期望，log p(x_i|z,y)表示条件分布P(x|z,y)的概率密度求对数，log p(z|y)表示条件分布P(z|y)的概率密度求对数，表示条件分布P(z|x,y)的概率密度求对数，α_i表示时间窗口的第i个点是否为异常点，β表示时间窗口的第i个点是否为异常点，W表示时间窗口的长度。

7.如权利要求1所述的方法，其特征在于，所述将异常分数作为极值理论的输入来确定阈值，包括：

设置峰值阈值筛选出待检测点之前的时间序列中的峰值，其中，所述序列中的峰值为超出峰值阈值的部分；

根据序列数据计算出初始异常阈值，其中，所述序列数据包括序列总长度、峰值阈值、峰值个数、风险概率，所述风险概率为待调整的超参；

使用所述待检测的KPI时间序列的数据更新所述初始异常阈值，得到最终的阈值。